專利名稱：基于運動目標(biāo)跟蹤的融合算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，尤其是涉及對單個運動目標(biāo)特征或者多個運動目標(biāo)特征的提取并進行運動目標(biāo)建模、運動目標(biāo)檢測的融合算法。
背景技術(shù)：
目標(biāo)跟蹤中常用的目標(biāo)特征表達(dá)主要包括圖像的紋理和形狀特征(如輪廓、區(qū)域、邊緣等)、變換系數(shù)特征(如傅里葉描述子)、統(tǒng)計特征(如直方圖、各種矩特征)等。為了達(dá)到更好的跟蹤效果，實際應(yīng)用中也常常將多個特征結(jié)合起來考慮。跟蹤算法的準(zhǔn)確度與運動目標(biāo)的表達(dá)密切相關(guān)，大致可以分為四類基于主動輪廓模型的跟蹤、基于模型的跟蹤、基于特征的跟蹤和基于區(qū)域的跟蹤。在跟蹤過程中，采用一定的搜索算法預(yù)測運動目標(biāo)在下一幀中可能出現(xiàn)的位置狀 態(tài)，只在相關(guān)區(qū)域中尋找最優(yōu)點。這樣就避免了直接對場景中所有內(nèi)容進行匹配估計，從而大大削減計算量。在很多基于交互的實時系統(tǒng)中，跟蹤常用的預(yù)測算法有卡爾曼濾波器(Kalman濾波器)、粒子濾波算法等。優(yōu)化搜索方向也可以達(dá)到縮小目標(biāo)搜索范圍的目的，常用的包括均值漂移算法(Mean-shift算法)、連續(xù)自適應(yīng)均值漂移算法(Camshift算法)等。其中 Camshift(continuously adaptive mean-shift)算法是由 Intel 公司的 Bradski 提出的以顏色概率分布圖為基礎(chǔ)來進行的目標(biāo)跟蹤算法。其中的核心算法是Mean-shift算法。Camshift算法在最開始是為了對人臉進行跟蹤而設(shè)計的。Camshift算法基于單一顏色分布模型，由于對目標(biāo)外觀先驗知識利用不夠充分，單一顏色分布模型對外觀先驗知識的描述不完備，當(dāng)目標(biāo)的外觀發(fā)生改變時，效果不理想。在復(fù)雜背景中當(dāng)運動目標(biāo)運動過快或出現(xiàn)遮擋，由于只利用顏色信息，對運動物體不做任何預(yù)測，抗干擾能力比較差，容易導(dǎo)致跟蹤失敗，弓I入濾波預(yù)測窗口中心來解決這個問題，但是粒子濾波(particle filter)算法主要是來自于模擬蒙特卡洛方法，通過蒙特卡洛算法來最終實現(xiàn)貝葉斯濾波。由于粒子濾波算法擁有“多峰”性這一特點，因此雖然粒子濾波算法有很強的抗干擾能力和多模態(tài)處理能力，但是粒子濾波過程中粒子數(shù)目對對象跟蹤有兩個方面的影響一是計算量；二是精度。當(dāng)粒子傳播半徑確定以后，即確定了對象搜索區(qū)域。由于每個粒子即代表對象的一種可能運動狀態(tài)，所有粒子越能充分的覆蓋對象可能狀態(tài)，則估計的越準(zhǔn)確。那么粒子越多，就更能充分的覆蓋搜索區(qū)域，跟蹤精度更大。但當(dāng)N太大遠(yuǎn)遠(yuǎn)可以覆蓋搜索區(qū)域時，部分粒子所代表的狀態(tài)有可能完全一樣，那么這部分的運算量就是浪費的，且對精度提高也不會很大。就要找到搜索區(qū)域和粒子數(shù)目的最佳匹配點，即不浪費粒子也可以完全覆蓋搜索區(qū)域的平衡點。另外當(dāng)粒子數(shù)目增大時，算法的計算量也會增大，則跟蹤的速度就會降低。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是針對上述存在的問題，提供一種基于運動目標(biāo)跟蹤的融合算法，對運動目標(biāo)跟蹤算法進行分析與比較，將基于HSV空間顏色特征和基于坐標(biāo)系的運動信息表示相融合，改進Camshift算法,并且將改進的Camshift算法嵌入到粒子濾波中，用來重新分配粒子濾波樣本。由此得到的樣本集將收斂到靠近目標(biāo)真實狀態(tài)的區(qū)域內(nèi)，最后用這些漂移的粒子來計算所估計的目標(biāo)狀態(tài)，實現(xiàn)更好的跟蹤。本發(fā)明采用的技術(shù)方案如下一種基于運動目標(biāo)跟蹤的融合算法，其特征在于包括步驟I :基于粒子濾波算法，通過狀態(tài)轉(zhuǎn)移模型，得到目標(biāo)K時刻狀態(tài)附近隨機分
權(quán)利要求
1.一種基于運動目標(biāo)跟蹤的融合算法，其特征在于包括 步驟I:基于粒子濾波算法，通過狀態(tài)轉(zhuǎn)移模型，得到目標(biāo)K時刻狀態(tài)附近隨機分布粒子集
2.根據(jù)權(quán)利要求I所述的基于運動目標(biāo)跟蹤的融合算法，其特征在于步驟2中所述判斷粒子集I#1 ,Hf I'粒子質(zhì)心坐標(biāo)值是否滿足迭代條件具體過程是 步驟21 :在Camshift算法基礎(chǔ)上，設(shè)置粒子集
3.根據(jù)權(quán)利要求2所述的基于運動目標(biāo)跟蹤的融合算法，其特征在于步驟23中所述IlC1-C0IKe指的是粒子集I二中粒子質(zhì)心坐標(biāo)值與粒子集{(Of|二中粒子初始質(zhì)心坐標(biāo)值平均移動位置(X1-Xtl) W(Y1Icl)2小于閾值ε ;當(dāng)II1Wtl指的是迭代次數(shù)大于閾值η0，所述η0是6至IJ 15。
4.根據(jù)權(quán)利要求2所述的基于運動目標(biāo)跟蹤的融合算法，其特征在于所述步驟23中所述ε是2。
5.根據(jù)權(quán)利要求3所述的基于運動目標(biāo)跟蹤的融合算法，其特征在于所述步驟23中所述η0是10。
6.根據(jù)權(quán)利要求4所述的基于運動目標(biāo)跟蹤的融合算法，其特征在于所述步驟21中融合零階矩β是O. 8。
7.根據(jù)權(quán)利要求I至6之一所述的基于運動目標(biāo)跟蹤的融合算法，其特征在于步驟3中所述對迭代粒子集中的粒子與目標(biāo)模板粒子進行相關(guān)度處理，具體過程是基于迭代粒子集粒子的目標(biāo)和顏色的運動信息，通過觀測模型P建立@標(biāo)模板，根據(jù)@標(biāo)模板對迭代粒子集li.1.每個粒子進行觀測，計算迭代粒子集Ipf與目標(biāo)模板粒子集的相關(guān)度觀測函數(shù)/)二 Ji:菩Λ 1 i -1'm
8.根據(jù)權(quán)利要求7所述的基于運動目標(biāo)跟蹤的融合算法，其特征在于步驟3中所述通過觀測函數(shù)計算迭代粒子集粒子質(zhì)心坐標(biāo)值加權(quán)值具體過程是通過觀測函數(shù)D = Jl計算迭代粒子集粒子質(zhì)心坐標(biāo)值距離目標(biāo)模板粒子質(zhì)心坐標(biāo)值距離的加權(quán)值，其中Mo = 5芩1表示目標(biāo)模版粒子的質(zhì)心坐標(biāo)值;M表示迭代粒子集每個粒子的即時模版粒子質(zhì)心坐標(biāo)值，D表示迭代粒子集粒子距離目標(biāo)模板粒子距離的加權(quán)值。
9.根據(jù)權(quán)利要求4所述的基于運動目標(biāo)跟蹤的融合算法，其特征在于步驟3中所述觀測函數(shù)計算粒子權(quán)值具體步驟是通過w fl)計算迭代粒子集中每個粒子的加權(quán)和，并對加權(quán)和進行歸一化處理ΣΜ =1 即可計算當(dāng)前幀目標(biāo)的狀態(tài)I1I' M .,= Ε{β、Γ|.λ—) = x'k. s 其 mi = l，....，N。-;
10.根據(jù)權(quán)利要求9所述的基于運動目標(biāo)跟蹤的融合算法，其特征在于步驟I中所述狀態(tài)轉(zhuǎn)移模型是Sk-SH = ShUUh,N為粒子數(shù)，
全文摘要
本發(fā)明涉及圖像處理領(lǐng)域，尤其是涉及對單個運動目標(biāo)特征或者多個運動目標(biāo)特征的提取并進行運動目標(biāo)建模、運動目標(biāo)檢測的融合算法。本方法通過改進的Camshift算法與改進的粒子濾波算法結(jié)合對運動目標(biāo)進行快速有效跟蹤跟。本方法通過步驟1基于粒子濾波算法，通過狀態(tài)轉(zhuǎn)移模型，得到目標(biāo)初始狀態(tài)附近隨機分布粒子集，并通過改進的Camshift算法與改進的粒子濾波算法實現(xiàn)目標(biāo)跟蹤。本方法主要應(yīng)用于圖像處理領(lǐng)域。
文檔編號G06T7/20GK102903121SQ201210319469
公開日2013年1月30日 申請日期2012年8月31日 優(yōu)先權(quán)日2012年8月31日
發(fā)明者姚黎 申請人:四川九洲電器集團有限責(zé)任公司